Từ prompt đến ngữ cảnh đến harness: ba làn sóng làm việc với AI

Ngày 11/2/2026, OpenAI đăng bài kể về một nhóm làm ra bản beta nội bộ của một sản phẩm phần mềm trong khoảng năm tháng, không ai viết tay dòng mã nào. Con số nổi bật nhất là khoảng 1.500 pull request (đề xuất thay đổi mã, được xem xét trước khi gộp). Câu đáng chú ý hơn: tiến độ đầu chậm hơn dự kiến, không phải vì mô hình kém mà vì môi trường chưa được đặc tả đủ (Lopopolo, 2026). Nếu bạn dùng AI soạn thư trả khách mỗi tuần mà kết quả chưa tốt, nên viết lại lời nhắc, đưa thêm tài liệu, hay làm việc khác?

Prompt, ngữ cảnh và harness là ba lớp nào, và ai nói chúng nối tiếp nhau?

Prompt là cách viết yêu cầu, ngữ cảnh là thông tin mô hình được thấy khi làm việc, harness là môi trường quanh mô hình: công cụ, quy tắc, vòng phản hồi. Thứ tự nối tiếp là cách xếp của khung ba làn sóng. Trong ba nguồn, chỉ Anthropic nói thẳng về quan hệ giữa hai lớp đầu.

• Sách trắng của Google (Boonstra, 2/2025) định nghĩa prompt engineering là thiết kế prompt chất lượng cao để dẫn mô hình ra kết quả chính xác (Boonstra, n.d., p. 7). "Contextual prompting" ở đó chỉ là một kiểu prompt (Boonstra, n.d., p. 18).
• Anthropic (9/2025) gọi prompt engineering là phương pháp viết và tổ chức chỉ dẫn, còn context engineering là chọn và duy trì tập thông tin tối ưu khi mô hình chạy, kể cả thông tin ngoài prompt. Họ coi nó là bước phát triển tự nhiên, vì agent chạy nhiều lượt (Anthropic, 2025).
• OpenAI (2/2026) chỉ có chữ "harness engineering" ở tiêu đề. Thân bài không định nghĩa harness mà mô tả việc thiết kế môi trường, đặc tả ý định và dựng vòng phản hồi (Lopopolo, 2026). Bài cũng bàn quản lý ngữ cảnh, nên tôi đọc ngữ cảnh nằm trong harness.

Công thức "agent = mô hình + harness" là cách nói gọn, không phải câu nguyên văn của nguồn nào ở đây.

Nên dồn sức vào lớp nào trước?

Vào lớp thấp nhất đủ dùng cho việc của bạn. Anthropic khuyên tìm giải pháp đơn giản nhất, chỉ thêm độ phức tạp khi cần, và với nhiều ứng dụng thì một lần gọi mô hình kèm truy xuất và ví dụ thường là đủ (Anthropic, 2024).

Cách ghép của tôi: việc làm một lần cần prompt rõ, nêu cụ thể dạng đầu ra (Boonstra, n.d., p. 56); việc lặp hằng tuần cần gói ngữ cảnh; việc AI làm nhiều bước, gọi công cụ, chạy lâu thì phải nghĩ đến harness, như các lượt chạy Codex hơn sáu giờ, nhiều khi lúc người ngủ (Lopopolo, 2026). Bước chọn việc nằm ở bài Việc nào nên giao cho AI.

Gói ngữ cảnh năm phần gồm gì, và dán vào đâu?

Gồm vai trò, bối cảnh, ví dụ, yêu cầu đầu ra và ràng buộc, soạn một lần rồi dán mỗi lần giao cùng loại việc. Năm phần ứng với kỹ thuật trong sách trắng của Google; cách gom thành năm là của khung gói ngữ cảnh, không phải của Google hay Anthropic.

VAI TRÒ
Bạn là [vị trí] của [đơn vị]. Bạn soạn bản nháp để [người duyệt]
đọc và sửa trước khi gửi.

BỐI CẢNH
[Chỉ những thông tin việc này cần: loại khách, chính sách liên
quan, tình huống tuần này.]

VÍ DỤ
[Hai hoặc ba bản trả lời bạn đã gửi và hài lòng, mỗi bản một
tình huống khác nhau.]

YÊU CẦU ĐẦU RA
[Ngôn ngữ, độ dài, cấu trúc, cách mở đầu và kết thúc.]

RÀNG BUỘC
[Điều không được tự làm. Việc cần làm khi thiếu thông tin.]

VIỆC TUẦN NÀY
[Dán nội dung cần xử lý vào đây.]

Dòng cuối là đầu vào của tuần, không phải phần thứ sáu. Nguồn của từng phần:

1. Vai trò: cho mô hình khuôn mẫu về giọng, phong cách, chuyên môn (Boonstra, n.d., p. 22).
2. Bối cảnh: thông tin cụ thể cho việc đang làm (Boonstra, n.d., p. 18); theo Anthropic là tập nhỏ nhất mà vẫn đủ (Anthropic, 2025).
3. Ví dụ: sách trắng gọi là thực hành quan trọng nhất (Boonstra, n.d., p. 54). Tóm tắt của Brown và cộng sự (2020): GPT-3 làm việc với ví dụ nêu bằng văn bản, không cập nhật tham số (Brown et al., 2020, p. 1), trên bộ đề NLP chứ không phải thư trả khách.
4. Yêu cầu đầu ra: nêu cụ thể dạng, độ dài, văn phong (Boonstra, n.d., p. 56).
5. Ràng buộc: ưu tiên chỉ dẫn nêu việc cần làm; giữ ràng buộc cho nội dung có hại hoặc định dạng chặt (Boonstra, n.d., p. 57).

Một khách sạn giả định dùng gói này trước và sau ra sao?

Ví dụ hoàn toàn giả định: "Khách sạn A" là tên tôi đặt cho một khách sạn mini 18 phòng ở Đà Lạt, mọi chi tiết do tôi bịa. Tôi không chạy gói này trên mô hình nào, nên bài không có kết quả đầu ra để so sánh.

Trước:

Viết giúp tôi câu trả lời cho khách này, lịch sự nhé.
[dán đánh giá của khách]

Sau:

VAI TRÒ
Bạn là nhân viên chăm sóc khách của Khách sạn A, khách sạn mini
18 phòng ở Đà Lạt. Bạn soạn bản nháp để chị Lan, quản lý, đọc và
sửa trước khi gửi.

BỐI CẢNH
Khách viết đánh giá trên trang đặt phòng hoặc nhắn qua Zalo.
Nhận phòng 14:00, trả phòng 12:00. Huỷ miễn phí trước 3 ngày.
Bữa sáng 6:30 đến 9:30. Tuần này lò sưởi tầng 2 đang sửa.

VÍ DỤ
[Ba bản trả lời cũ: một lời khen, một phàn nàn về tiếng ồn,
một yêu cầu huỷ phòng.]

YÊU CẦU ĐẦU RA
Tiếng Việt, xưng "Khách sạn A" và "anh/chị", 80 đến 120 từ.
Mở bằng lời cảm ơn nêu đúng chi tiết khách nhắc. Kết bằng tên
người ký.

RÀNG BUỘC
Nếu thiếu thông tin để trả lời, ghi [CẦN BỔ SUNG: điều còn thiếu]
thay vì đoán. Không tự hứa hoàn tiền, giảm giá hay đền bù; ghi
[CHỊ LAN QUYẾT] tại chỗ cần quyết.

VIỆC TUẦN NÀY
[dán đánh giá và tin nhắn]

Thay đổi nằm ở chỗ AI không phải đoán ai đọc, ai duyệt, dài bao nhiêu, được hứa gì. Bản nháp vẫn qua mắt chị Lan; duyệt kỹ đến đâu là việc của thang kiểm chứng.

Dán thêm tài liệu cho AI có luôn giúp trả lời đúng hơn không?

Không chắc. Anthropic mô tả "context rot": theo các nghiên cứu tìm một mẩu thông tin trong khối văn bản dài, token càng nhiều thì khả năng nhớ chính xác càng giảm, và bài không nêu ngưỡng nào. Họ khuyên tìm tập token nhỏ nhất mà giàu tín hiệu; nhỏ không có nghĩa ngắn (Anthropic, 2025).

Với Khách sạn A, giả sử có sổ tay 40 trang: gói chỉ cần đoạn về giờ nhận phòng, huỷ phòng, bữa sáng. Việc áp từ chuyện nhớ lại thông tin sang soạn thư là của tôi.

Thí nghiệm Codex của OpenAI cho thấy gì về harness?

Ba điều, theo lời kể của chính công ty (xem ca thí nghiệm Codex). Mọi con số do OpenAI tự báo cáo, tôi không kiểm được. Sau năm tháng từ kho mã trống, kho có cỡ một triệu dòng và khoảng 1.500 pull request do ba kỹ sư (sau tăng lên bảy), 3,5 pull request mỗi kỹ sư mỗi ngày. Công ty ước tính mất cỡ một phần mười thời gian viết tay; tôi không thấy đối chứng nào (Lopopolo, 2026).

Thứ nhất, chậm lúc đầu vì môi trường. Khi việc hỏng, cách sửa hầu như không bao giờ là bảo agent cố hơn; kỹ sư hỏi khả năng nào còn thiếu, và làm sao để agent vừa thấy được vừa bị buộc theo nó.

Thứ hai, kho mã là hệ thống ghi nhận. Một tệp hướng dẫn khổng lồ hỏng vì bốn lý do: chiếm chỗ của tác vụ, quá nhiều chỉ dẫn thành không chỉ dẫn, cũ rất nhanh, khó kiểm tra. Nhóm đổi sang tệp khoảng 100 dòng làm mục lục, trỏ tới thư mục tài liệu có cấu trúc. Thứ gì agent không truy cập được lúc chạy, kể cả thảo luận trong chat, coi như không tồn tại.

Thứ ba, bất biến được cưỡng chế bằng máy: linter tuỳ biến và kiểm thử cấu trúc giữ ranh giới kiến trúc, thông báo lỗi viết để chèn hướng dẫn sửa vào ngữ cảnh của agent. Họ ép ranh giới, để agent tự chọn cách làm bên trong.

Nhóm từng dành mỗi thứ Sáu, 20% tuần, dọn "AI slop", và việc đó không mở rộng được, nên chuyển sang nguyên tắc ghi vào kho cùng tác vụ nền chạy định kỳ (Lopopolo, 2026).

Nhóm không làm phần mềm có harness không?

Có dạng tương tự, nhưng đây là phép so sánh của tôi: bài OpenAI nói về kỹ sư phần mềm, không bàn doanh nghiệp phi kỹ thuật.

Hàng thứ ba dễ áp nhất. "Không hứa hoàn tiền" trong lời nhắc là lời dặn; nút gửi chỉ quản lý bấm được là cơ chế, kiểu OpenAI chọn. Sách trắng của Google cũng khuyên ghi lại từng lần thử prompt (Boonstra, n.d., p. 64).

Khách sạn A hiện chưa cần harness. Anthropic phân biệt workflow, chạy theo lộ trình mã định sẵn, với agent tự điều khiển quy trình và việc dùng công cụ (Anthropic, 2024). Soạn nháp cho chị Lan duyệt là một lần gọi mô hình. Câu hỏi harness bắt đầu khi AI trả lời thẳng, đổi đặt phòng hay hoàn tiền: hành động nào được phép, chỗ nào phải có người chặn.

Cũng đừng sao nguyên: phần mềm kiểm chứng được bằng kiểm thử tự động (Anthropic, 2024), còn thư trả khách thì không, và OpenAI nói cách làm ít chặn hợp nhất của họ sẽ vô trách nhiệm ở môi trường thông lượng thấp (Lopopolo, 2026).

Đào sâu: ba nguồn là gì, họ có lợi ích gì, và tôi chưa đọc gì?

Hai khung trong bài là cách gom của thư viện: ghi chú khung gói ngữ cảnh nêu rõ Boonstra và Anthropic không đề ra đúng bộ năm; cụm "ba làn sóng" tôi không thấy trong cả ba văn bản. Tôi đọc các nguồn ngày 3/11/2026.

Sách trắng của Google (Boonstra, 2/2025) viết cho người dùng Gemini trên Vertex AI, sản phẩm Google bán (Boonstra, n.d., p. 7). Bản tôi đọc là PDF ghi "February 2025" ở chân trang, đặt tại innopreneur.io chứ không phải trang Kaggle thư viện ghi n.d.; số trang theo bản đó. Tôi đọc trang 1 đến 35 và 54 đến 68, chưa đọc trang 36 đến 53. Câu "nghiên cứu gợi ý chỉ dẫn tích cực có thể hiệu quả hơn" không kèm trích dẫn, và danh mục chú thích không có nghiên cứu nào cho ý đó (Boonstra, n.d., p. 57). Các đoạn tôi đọc không có số đo mức cải thiện.

Bài ngữ cảnh của Anthropic (9/2025; Anthropic bán Claude) và bài về agent (12/2024) tôi đọc toàn bài. Cả hai trang ghi lần sửa vào tháng 10/2026 nên có thể khác bản gốc; bài về agent còn ghi chú nhiều công cụ nó mô tả đã đổi. Đường dẫn tới nghiên cứu "context rot" tôi không mở.

Bài OpenAI do một thành viên đội kỹ thuật viết; tôi đọc toàn bài. OpenAI bán Codex và bài kết bằng lời mời dùng nó. Đó là báo cáo của một nhóm về một sản phẩm nội bộ, số liệu tự ước tính; tôi không có mã hay dữ liệu để kiểm. Chính bài nêu giới hạn: khả năng tự làm trọn một tính năng phụ thuộc cấu trúc và công cụ của kho mã đó, không nên coi là khái quát nếu thiếu đầu tư tương tự (Lopopolo, 2026).

Brown và cộng sự (2020) tôi chỉ đọc phần tóm tắt; phần lớn tác giả ghi đơn vị OpenAI.